Arisusanto, Alivia Dyatama (2026) KLASIFIKASI STATUS GIZI BALITA MENGGUNAKAN ALGORITMA RANDOM FOREST DI DESA MLESE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/text.png) |
Text (COVER - ABSTRAK)
COVER.pdf - Published Version Download (1MB) |
|
Text (BAB I)
BAB I.pdf - Published Version Download (302kB) |
|
Text (BAB II)
BAB II.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB III)
BAB III.pdf - Published Version Restricted to Registered users only Download (1MB) |
|
Text (BAB IV)
BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB) |
|
Text (BAB V)
BAB V.pdf - Published Version Download (123kB) |
|
Text (DAFTAR PUSTAKA - LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (423kB) |
![[img]](https://eprints.amikom.ac.id/style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4123.zip Restricted to Repository staff only Download (6MB) |
|
Text (PUBLIKASI)
Publikasi.pdf - Published Version Restricted to Repository staff only Download (708kB) |
Abstract
Masalah gizi pada balita di Indonesia, termasuk di Desa Mlese, merupakan tantangan signifikan yang berdampak pada gangguan tumbuh kembang dan penurunan kualitas sumber daya manusia di masa depan. Evaluasi status gizi konvensional di Desa Mlese saat ini masih memiliki keterbatasan administratif dan belum optimal dalam memprediksi pola data antropometri yang kompleks, sehingga diperlukan metode yang lebih responsif dan akurat. Penelitian ini menerapkan pendekatan machine learning dengan algoritma Random Forest untuk mengklasifikasikan status gizi balita melalui tahapan pengumpulan data sekunder periode 2020–2024, pra-pemrosesan data, serta seleksi fitur menggunakan metode Random Forest Importance, Chi-Square, dan Recursive Feature Elimination (RFE). Untuk mengatasi ketidakseimbangan data, penelitian ini membandingkan teknik SMOTE, SMOTE-TomekLinks, dan ADASYN, yang dioptimasi menggunakan hyperparameter tuning melalui Randomized Search Cross Validation. Hasil penelitian menunjukkan bahwa integrasi ADASYN dengan Random Forest memberikan performa terbaik dengan akurasi 0,8757 dan F1-Score 0,6898. Sistem yang dikembangkan tidak hanya berfungsi sebagai media pencatatan data, tetapi juga menonjolkan analisis frekuensi kunjungan balita untuk membantu pemantauan kepatuhan kunjungan posyandu, menyediakan visualisasi data yang lebih analitik untuk melihat tren pertumbuhan dan distribusi status gizi secara individu maupun populasi, serta mendukung deteksi dini risiko masalah gizi berbasis machine learning. Berdasarkan pengujian User Acceptance Test (UAT) dengan skor 88,17%, sistem ini dinyatakan sangat layak untuk membantu kader posyandu dan pihak puskesmas dalam melakukan pemantauan berkelanjutan serta perencanaan intervensi gizi yang lebih tepat sasaran.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Status Gizi Balita, Random Forest, ADASYN, Machine Learning, Klasifikasi, Toddler Nutritional Status, Classification. | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus 600 – Teknologi (Ilmu Terapan) > 640 Manajemen rumah dan keluarga > 641 Makanan dan minuman |
||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 23 Jul 2026 03:33 | ||
| Last Modified: | 23 Jul 2026 03:33 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/32332 |
Actions (login required)
 |
View Item |